一种基于机器学习辅助的电力系统频率约束机组组合求解方法

技术领域

本发明属于综合能源系统经济调度技术领域，尤其提出一种基于机器学习辅助的电力系统频率约束机组组合高效方法。

背景技术

电力系统中可再生能源的大规模整合不可避免地降低了同步发电机的比例，导致系统的总惯性降低，频率调节能力下降。因此，电力系统可能经历其频率调节能力不足以确保安全和稳定运行的紧急情况。

通过求解包含频率约束的机组组合模型，可以广泛解决电力系统中确保频率稳定性的问题。此外，机组组合模型必须每天求解多次，以确保电网的安全运行以及发电资源的有效规划、调度和运行，为市场参与者带来尽可能好的经济结果。因此，除了模型本身的开发之外，开发解决这些机组组合模型的有效方法至关重要。

基于上述说明，本发明所提出的使用机器学习实现高效率求解频率约束机组组合模型的方法主要考虑以下两个方面：一是考虑日前备用和频率约束的机组组合模型，实现对新能源系统的优化调度；二是在物理驱动求解模型的基础上，通过将数据驱动跟物理驱动相结合实现对模型的高效率求解。

发明内容

发明目的：本发明所要解决的技术问题是克服现有技术的不足而提供一种基于机器学习辅助的电力系统频率约束机组组合求解方法，本发明计及了电力系统运行约束、日前备用约束以及频率安全裕度约束，研究了功率扰动的大小对系统频率的影响。本发明不仅能够通过考虑日前备用和系统频率安全裕度约束，保证新能源系统的安全稳定运行，而且通过将数据驱动跟物理驱动结合的方法实现对模型的高效率求解。

技术方案：为了解决上述技术问题，本发明提出一种基于机器学习辅助的电力系统频率约束机组组合求解方法，该方法包括以下步骤：

步骤1、获取所述新能源电力系统运行参数和火电机组的技术参数，其中，运行参数包括火电机组出力信息、光伏机组出力信息、风电机组出力信息、电负荷和线路，火电机组技术参数包括火电机组最小开停机时间、火电机组爬坡速率；

步骤2、针对所述新能源电力系统运行参数和火电机组技术参数，以电力系统运行约束、火电机组运行状态约束、系统频率安全裕度约束为约束条件，以新能源系统总体运行成本最小为目标函数，构建频率安全约束机组组合模型；

步骤3、以系统不同典型日各时刻的电负荷和新能源机组出力数据为输入，将其输入到频率安全约束机组组合模型，利用GUROBI求解器求解得到系统最优调度结果，即各火电机组在不同时刻的开关机状态以及出力大小，通过对典型日负荷曲线和系统最优调度结果进行分析，对火电机组出力模式进行分类，完成对不同典型日系统最优调度结果中各火电机组出力模式的划分；

步骤4、以不同典型日各时刻的电负荷、新能源机组出力数据作为输入，以步骤3得到的不同典型日系统最优调度结果中各火电机组出力模式作为输出对神经网络模型进行训练；

步骤5，将某个典型日系统各时刻的电负荷和新能源机组出力数据输入到步骤4训练好的神经网络模型中，得到各火电机组的出力模式，将各火电机组出力模式与对应的负荷和新能源数据作为输入代入到频率约束机组组合模型进行优化求解，得到系统的最优调度结果，实现对频率约束机组组合模型的高效求解。

进一步的，步骤2中，最小目标函数为：

式中，N

进一步的，步骤2中，频率约束机组组合模型的相关运行约束，具体如下：

1)电力系统运行约束

P

式中，下标i和j表示电力母线，下标pv表示光伏机组，下标w表示风电机组，

2)传统机组运行状态约束

式中，

3)频率安全裕度约束

式中，下标m表示超平面，

进一步的，步骤3中，机组出力模式分类方法为：

(3.1)通过对典型日负荷曲线进行分析，将24小时划分为3-6个时段，对于负荷在4-6个连续时刻内是先上升后下降且只有一个峰值点的4-6个连续时刻划分为峰时段，对于负荷在4-6个连续时段内是先下降后上升且只有一个谷值点的4-6个连续时刻划分为谷时段，其余时刻将其划分为平时段，其中每个时段不少于四个小时，不多于八个小时；

(3.2)根据每个时段内机组的开/关机状态，将火电机组在每个时段的出力状态分为三类，记为0，1，2，其中，0是指发电机在该时段内的所有时间均处于关机状态，1是指发电机在该时段内至少有一个小时处于开机状态且至少有一个小时处于关机状态，2是指发电机在该时段内所有时间均处于开机状态；

(3.3)根据火电机组在不同时段的出力状态进行组合；首先把24小时划分为m个时段，每个时段有0，1，2三种出力状态，对每个时段的出力状态进行组合，一共得到

进一步的，步骤4中，频率约束机组组合模型的求解方法为：

将电负荷

有益效果：与现有技术相比，本发明技术方案具有以下有益技术效果：

本发明计及了电力系统运行约束、日前备用约束以及频率安全裕度约束，研究了功率扰动的大小对系统频率的影响。本发明不仅能够通过考虑日前备用和系统频率安全裕度约束，保证新能源系统的安全稳定运行，而且通过将数据驱动跟物理驱动结合的方法实现对模型的高效率求解。

附图说明

图1是本发明方法流程图。

图2是改进的IEEE-118节点系统算例图。

图3是改进的IEEE-118节点系统在365个典型日不同时刻机组开机占比情况。

图4是DNN学习机组出力模式效果。

具体实施方式

下面结合附图和具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等同形式的修改均落于本申请所附权利要求所限定的范围。

如图1所示，本发明提出一种基于机器学习辅助的电力系统频率约束机组组合求解方法，该方法包括以下步骤：

步骤1、获取所述新能源电力系统运行参数和火电机组的技术参数，其中，运行参数包括火电机组出力信息、光伏机组出力信息、风电机组出力信息、电负荷和线路，火电机组技术参数包括火电机组最小开停机时间、火电机组爬坡速率；

步骤2、针对所述新能源电力系统运行参数和火电机组技术参数，以电力系统运行约束、火电机组运行状态约束、系统频率安全裕度约束为约束条件，以新能源系统总体运行成本最小为目标函数，构建频率安全约束机组组合模型；

步骤3、以系统不同典型日各时刻的电负荷和新能源机组出力数据为输入，将其输入到频率安全约束机组组合模型，利用GUROBI求解器求解得到系统最优调度结果，即各火电机组在不同时刻的开关机状态以及出力大小，通过对典型日负荷曲线和系统最优调度结果进行分析，对火电机组出力模式进行分类，完成对不同典型日系统最优调度结果中各火电机组出力模式的划分；

步骤4、以不同典型日各时刻的电负荷、新能源机组出力数据作为输入，以步骤3得到的不同典型日系统最优调度结果中各火电机组出力模式作为输出对神经网络模型进行训练；

步骤5，将某个典型日系统各时刻的电负荷和新能源机组出力数据输入到步骤4训练好的神经网络模型中，得到各火电机组的出力模式，将各火电机组出力模式与对应的负荷和新能源数据作为输入代入到频率约束机组组合模型进行优化求解，得到系统的最优调度结果，实现对频率约束机组组合模型的高效求解。

进一步的，步骤2中，最小目标函数为：

式中，N

进一步的，步骤2中，频率约束机组组合模型的相关运行约束，具体如下：

1)电力系统运行约束

P

式中，下标i和j表示电力母线，下标pv表示光伏机组，下标w表示风电机组，

2)传统机组运行状态约束

式中，

3)频率安全裕度约束

式中，下标m表示超平面，

进一步的，步骤3中，机组出力模式分类方法为：

(3.1)通过对典型日负荷曲线进行分析，将24小时划分为3-6个时段，对于负荷在4-6个连续时刻内是先上升后下降且只有一个峰值点的4-6个连续时刻划分为峰时段，对于负荷在4-6个连续时段内是先下降后上升且只有一个谷值点的4-6个连续时刻划分为谷时段，其余时刻将其划分为平时段，其中每个时段不少于四个小时，不多于八个小时；

(3.2)根据每个时段内机组的开/关机状态，将火电机组在每个时段的出力状态分为三类，记为0，1，2，其中，0是指发电机在该时段内的所有时间均处于关机状态，1是指发电机在该时段内至少有一个小时处于开机状态且至少有一个小时处于关机状态，2是指发电机在该时段内所有时间均处于开机状态；

(3.3)根据火电机组在不同时段的出力状态进行组合；首先把24小时划分为m个时段，每个时段有0，1，2三种出力状态，对每个时段的出力状态进行组合，一共得到

进一步的，步骤4中，频率约束机组组合模型的求解方法为：

将电负荷

算例分析

本发明采用改进的IEEE-118节点算例，如图2所示。该系统具有54个传统的火电机组，在节点19、29、39、49和79上的5个光伏机组，以及在节点7、11、35和50上的4个风力涡轮机。每个新能源机组的额定容量为500MW。该网络的总装机容量为14466.2MW，可再生能源机组占31.11％。系统标称频率设置为50Hz，最小频率阈值设置为49.5Hz。本发明通过GAMS优化平台和Python3.7实现。

基于该算例，采用本发明的方法模拟不同典型日下频率约束机组组合模型求解时间，结果参见表1，并给出不同典型日下机组开机占比情况以及DNN学习效果，结果参见图3和图4。说明了将数据驱动与物理驱动的方法结合进行调度后，能够明显提升模型的求解效率。同时，说明了考虑日前备用和频率安全裕度约束后，能够保证系统在面临紧急事故时依然能够安全稳定运行。

表1不同典型日下的模型求解时间

本发明基于频率约束机组组合的详细模型，通过将物理驱动与数据驱动相结合的方法，实现了对频率约束机组组合模型的高效求解。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围内。